دانشگاه یزد پژوهش های نظری و کاربردی هوش ماشینی 2821-2029 3 2 2025 11 22 Automatic Detection of Defective Round Steel Billets from Straightening Machine Output Using Machine Vision Techniques تشخیص خودکار شمش‌های گرد ناصاف از محصولات خروجی دستگاه صافکاری با استفاده از روش‌های بینایی ماشین 107 123 3956 10.22034/abmir.2025.23720.1171 FA راستین نمیرانیان واحد فناوری اطلاعات، شرکت فولاد آلیاژی ایران، یزد، ایران سحر سلطانی کارشناسی ارشد هوش مصنوعی و رباتیکز، شرکت توسعه فولاد آلیاژی ایرانیان، یزد، ایران ولی درهمی استاد، دانشکده مهندسی کامپیوتر، دانشگاه یزد، یزد، ایران 0009-0002-7746-392X Journal Article 2025 09 25 This paper addresses the problem of detecting defective round steel billets during their rolling motion. In the finishing hall of the Iran Alloy Steel Factory, one of the essential operations applied to round billets is straightening. However, no system currently exists to automatically assess the quality of the straightening machine’s output. To address this challenge, videos of billets rolling on the discharge table after leaving the straightening machine are recorded. After preprocessing and illumination balancing, the cross-section of each billet in every frame is detected using the Circular Hough Transform method. The motion trajectory of the billet in each video is then determined, and six motion-related features are extracted for analysis. These features include Trajectory Length, Sum of Squared Deviations, Sum of Squared Vertical Deviations, Vibration of Standard Deviation, Wavelet Vibration Energy, and Standard Deviation of Acceleration. The values of these features are computed with normalization based on sampling per unit length. Experimental results demonstrate that features such as Vibration of Standard Deviation, Sum of Squared Vertical Deviations, and Sum of Squared Deviations show strong discriminative power in separating healthy billets from defective ones. Although the false negative rate is somewhat high, the proposed method achieves an overall accuracy of about 85%, which is considered acceptable for practical industrial application. این مقاله به مساله تشخیص شمش فولادی گرد ناصاف در حال غلتیدن می پردازد. در سالن تکمیل کاری کارخانه فولاد آلیاژی ایران یکی از عملیاتی که روی شمش های گرد انجام می‌شود، صاف کردن آن‌ها است. لیکن هیچ سیستمی برای اینکه کیفیت خروجی دستگاه صافکاری را مشخص کند وجود ندارد. در اینجا برای حل این چالش ویدیوها از شمش خارج شده از دستگاه صافکاری که در حال غلتیدن روی میز است، گرفته می‌شود. پس از پیش پردازش و تعادل کردن نوری تصویر، مقطع شمش در هر تصویر با روش انتقال هاف دایره مشخص می‌شود. سپس مسیر حرکت شمش در هر ویدیو تعیین می‌شود. شش ویژگی از این مسیر حرکت برای مطالعه انتخاب شده است. این ویژگی‌ها شامل : طول مسیر حرکتی، مجموع مربعات انحراف، مجموع مربعات انحراف عمودی، ارتعاشِ انحراف معیار، انرژی ارتعاش مبتنی بر موجک و انحراف معیار شتاب هستند. مقدار این ویژگی ها با لحاظ کردن نمونه برداری در واحد طول محاسبه می‌شوند. آزمایش‌ها نشان می‌دهد که ویژگی‌هایی همچون انحراف معیار ارتعاش، مجموع مربعات انحراف عمودی و مجموع مربعات انحراف، قدرت تمایز بالایی در تفکیک شمش‌های سالم و ناصاف دارند. هرچند مقدار منفی نادرست کمی بالا است ولی روش پیشنهادی توانسته با دقت حدود ۸۵ درصد، عملکرد قابل قبولی ارائه دهد. https://abmir.yazd.ac.ir/article_3956_800943012b1969e0baa42cac01d97a91.pdf